(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211016466.1 (22)申请日 2022.08.24 (65)同一申请的已公布的文献号 申请公布号 CN 115082903 A (43)申请公布日 2022.09.20 (73)专利权人 深圳市万物云科技有限公司 地址 518000 广东省深圳市前海深港合作 区前湾一路1号A栋201室 专利权人 深圳市万睿智能科技有限公司 (72)发明人 韦程琳　姚钊盈　 (74)专利代理 机构 深圳市精英专利事务所 44242 专利代理师 谭穗平 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G08G 1/017(2006.01) (56)对比文件 US 2015084790 A1,2015.0 3.26 US 20170 32514 A1,2017.02.02 US 20170 32199 A1,2017.02.02 CN 113989627 A,202 2.01.28 CN 111597902 A,2020.08.28 CN 109033950 A,2018.12.18 CN 111368687 A,2020.07.0 3 CN 112766069 A,2021.0 5.07 CN 104376 554 A,2015.02.25 CN 109993789 A,2019.07.09 CN 113593250 A,2021.1 1.02 CN 113591679 A,2021.1 1.02 CN 113221791 A,2021.08.0 6 CN 113011365 A,2021.0 6.22 (续) 审查员 黄攀 (54)发明名称 非机动车违停识别方法、 装置、 计算机设备 及存储介质 (57)摘要 本发明公开了非机动车违停识别方法、 装 置、 计算机设备及存储介质。 该方法包括： 利用采 集的样本图像集对构建的一阶全卷积目标检测 网络进行模 型训练并得到违停 检测模型； 将巡逻 车采集的待测图像输入违停检测模型进行多目 标检测， 输出待测图像中多目标的位置、 类别和 对应的置信度， 并根据多目标的位置、 类别和对 应的置信度筛选出具有违停目标的图像作为目 标图像， 并将目标图像保存至队列； 对队列中检 测结果相同的相邻目标图像进行去重处理； 根据 去重处理后队列中的目标图像进行违停告警处 理。 本发明克服了固定摄像头监测区域的有限 性， 具有点对点地处理因非机动车违停造成的拥堵、 街面混乱的优点。 [转续页] 权利要求书2页 说明书11页 附图6页 CN 115082903 B 2022.11.11 CN 115082903 B (56)对比文件 CN 113822144 A,2021.12.21 CN 113435266 A,2021.09.24 US 2022230420 A1,202 2.07.21 王振华 等.面向视频数据的深度学习目标 识别算法综述. 《计算机 工程》 .2021,1-15. 李坤坤.基于深度学习的城管道路监控图像 目标检测算法研究. 《中国优秀硕士学位 论文全 文数据库 工程科技 II辑》 .2022,C034-583.Xuemei Xie 等.Real-Time I llegal Parking Detecti on System Based o n Deep Learning. 《arXiv:1710.0254》 .2017,1- 5. Zhi Tian 等.FCOS :Fully Convolutional One-Stage Object Detecti on. 《arXiv: 1904.013 55》 .2019,1-13. 卢熠.基于深度学习的高速服 务区车位 监管 系统设计与实现. 《中国优秀硕士学位 论文全文 数据库 工程科技 II辑》 .2021,C 034-1128.2/2 页 2[接上页] CN 115082903 B1.一种基于 巡逻车的非机动车违停 识别方法， 其特 征在于， 包括： 获取巡逻车采集的样本图像集； 构建一阶全卷积目标检测网络， 利用所述样本图像集进行模型训练并得到违停检测模 型， 其中， 所述 一阶全卷积目标检测网络为改进后的FCOS模型网络； 获取巡逻车采集的待测图像； 将每一所述待测图像输入所述违停检测模型进行多目标检测， 输出所述待测图像 中多 目标的位置、 类别和对应的置信度， 并根据所述多目标的位置、 类别和对应的置信度筛选出 具有违停目标的图像作为目标图像， 并将目标图像保存至队列； 对所述队列中检测结果相同的相邻目标图像进行去重处 理； 根据去重处 理后所述队列中的目标图像进行违停告警处 理； 其中， 所述构建一阶全卷积目标检测网络， 利用所述样本 图像集进行模型训练并得到 违停检测模型， 包括： 利用所述一 阶全卷积目标检测网络中的主干网络模块对每一样本图 像进行特征提取并输出特征图Ci,i∈{3,4,5}， 其中所述主干网络模块为ESBlock网络组成 的增强型ShuffleNet神经网络 （ESNet） ； 利用所述一阶全卷积目标检测网络中的特征金字 塔模块对所述特征图Ci,i∈{3,4,5}进行多阶段的特征处理， 得到特征图Pi,i∈{3,4,5,6, 7}， 其中所述特征金字塔模块为Neck网络； 利用所述一阶全卷积目标检测网络中的Head模 块对所述特征图Pi,i∈{3,4,5,6,7}进行分类处理、 回归处理和中心度计算处理， 并分别输 出目标类别、 特 征点距离物体真实框左上右下边界距离和目标中心度。 2.根据权利要求1所述的基于巡逻车的非机动车违停识别方法， 其特征在于， 所述利用 所述一阶全卷积目标检测网络中的主干网络模块对每一样本图像进行特征提取并输出特 征图Ci,i∈{3,4,5}， 包括： 利用所述主干网络模块中的Ghost模块对所述样本图像先进行逐点卷积计算， 再进行 深度卷积计算后进行 特征图拼接， 得到原 始特征图； 利用所述主干网络模块中的SE模块对所述原始特征图进行特征提取并输 出特征图Ci,i ∈{3,4,5}。 3.根据权利要求1所述的基于巡逻车的非机动车违停识别方法， 其特征在于， 所述利用 所述一阶全卷积目标检测网络中的特征金字塔模块对所述特征图Ci,i∈{3,4,5}进行多阶 段的特征处理， 得到特 征图Pi,i∈{3,4,5,6,7}， 包括： 对所述特征图Ci,i∈{3,4,5}进行卷积处理、 上采样处理、 特征图层堆叠处理， 再进行卷 积处理后得到特 征图Pi,i∈{3,4,5}； 对所述特征图P5进行卷积处理后得到特征图P6， 再对所述特征图P6进行激活处理和卷 积处理后得到特 征图P7。 4.根据权利要求1所述的基于巡逻车的非机动车违停识别方法， 其特征在于， 所述获取 巡逻车采集的待测图像， 包括： 利用所述巡 逻车的摄 像模块获取视频流； 对所述视频流进行解码并获取视频原图； 对所述视频原图进行格式转换并得到待测图像。 5.根据权利要求1所述的基于巡逻车的非机动车违停识别方法， 其特征在于， 所述将每 一所述待测图像输入所述违停检测模型进 行多目标检测， 输出所述待测图像中多目标的位权　利　要　求　书 1/2 页 2 CN 115082903 B 3